Medycyna Weterynaryjna - Summary Medycyna Wet. 65 (6), 381-384, 2009

Medycyna Wet. 2009, 65 (6) 381

Artyku³ przegl¹dowy Review

W dobie postêpuj¹cej globalizacji, zaistnia³ych w ostat-nim czasie kryzysów ¿ywnoœciowych i coraz wiêkszej skali miêdzynarodowego handlu ¿ywnoœci¹, producenci ¿ywnoœci staj¹ przed nowymi wyzwaniami zwi¹zanymi z zapewnieniem bezpieczeñstwa ¿ywnoœci. Poprawa ja-koœci mikrobiologicznej produktów spo¿ywczych umiesz-czanych na rynku wynika z wdro¿enia i ci¹g³ego udo-skonalania systemów zarz¹dzania jakoœci¹ (12, 14). Pod-stawowymi systemami, które maj¹ za zadanie zapewniæ bezpieczeñstwo zdrowotne ¿ywnoœci s¹: GHP, GMP oraz obligatoryjny w Polsce od 01.05.2004 r. system HACCP (4). Pierwsze zapisy o koniecznoœci wdra¿ania systemu HACCP w du¿ych przedsiêbiorstwach okreœlono w usta-wie o warunkach zdrowotnych ¿ywnoœci i ¿yusta-wienia z 11.05.2001 r. (5). W trosce o dobro konsumenta produ-cenci ¿ywnoœci wdra¿aj¹ dobrowolne Systemy Zarz¹dza-nia Bezpieczeñstwem ¯ywnoœci wed³ug normy ISO 22000:2005(2). Systemy zarz¹dzania bezpieczeñstwem produkowanej ¿ywnoœci powinny byæ opracowane w spo-sób zrozumia³y dla wszystkich dzia³aj¹cych w ³añcuchu ¿ywnoœciowym. Powinny równie¿ udowadniaæ opinii publicznej, ¿e posiadaj¹ przewidywalne œrodki kontroli gwarantuj¹ce bezpieczeñstwo spo¿ywanej przez konsu-mentów ¿ywnoœci. HACCP jako systemowe postêpowa-nie maj¹ce na celu identyfikacjê i oszacowapostêpowa-nie zagro¿eñ bezpieczeñstwa ¿ywnoœci oraz ryzyka ich wyst¹pienia podczas produkcji i dystrybucji stanowi integralny ele-ment ISO 22000:2005. Standard ten wprowadzi³ nowe elementy do zarz¹dzania bezpieczeñstwem ¿ywnoœci: pro-gramy wstêpne, operacyjne propro-gramy wstêpne,

walida-cjê œrodków nadzoru lub ich kombinacji oraz interaktyw-n¹ komunikacjê w ³añcuchu ¿ywnoœciowym (2, 22, 25).

Mikrobiologia prognostyczna

Narzêdziem wspieraj¹cym dzia³anie systemów zarz¹-dzania jakoœci¹ jest mikrobiologia prognostyczna. Jest to dzia³ mikrobiologii ¿ywnoœci wykorzystuj¹cy elementy matematyki w celu okreœlania zachowania siê mikroor-ganizmów (g³ównie chorobotwórczych) w produkowanej i dystrybuowanej ¿ywnoœci (13, 15, 16, 20). Mikrobiolo-gia prognostyczna wykorzystuje zasadê, ¿e reakcja grup mikroorganizmów w okreœlonych warunkach w ¿ywnoœ-ci jest powtarzalna. Warunki okreœlone s¹ przez takie czyn-niki, jak: czas i temperatura, pH, aktywnoœæ wody, zawar-toœæ ró¿nych soli, kwasów organicznych oraz dostêpnoœæ tlenu. Informacja dotycz¹ca sk³adu chemicznego, tech-nologii produkcji i mikrobiologii produkowanej ¿ywnoœ-ci pozwala na wybór mo¿liwie bezpiecznego modelu prog-nostycznego, czyli takiego, który bêdzie prognozowa³ wzrost drobnoustrojów w sposób najbardziej zbli¿ony do wzrostu w warunkach rzeczywistych (9, 17). Model ma-tematyczny jest równaniem ró¿niczkowym okreœlaj¹cym wzrost, prze¿ywalnoœæ lub inaktywacjê mikroorganizmów w œciœle okreœlonych warunkach w ¿ywnoœci. W celu wykorzystania modelu matematycznego do prognozowa-nia i analizowaprognozowa-nia wzrostu niepo¿¹danych mikroorganiz-mów, np. podczas produkcji ¿ywnoœci, nale¿y wykonaæ szereg badañ mikrobiologicznych na produkcie modelo-wym w warunkach eksperymentalnych, a nastêpnie do-konaæ jego walidacji w oparciu o konkretny proces

pro-Zastosowanie mikrobiologicznych modeli

prognostycznych w produkcji bezpiecznej ¿ywnoœci

ANNA SYLWIA TARCZYÑSKA, STEFAN ZIAJKA

Katedra Mleczarstwa i Zarz¹dzania Jakoœci¹ UWM, ul. Oczapowskiego 7, 10-719 Olsztyn

Kowalik J., £obacz A., Tarczyñska A. S., Ziajka S.

Application of microbiological predictive models in safe food production

Summary

The improvement of the microbiological quality of food products on the Polish market is a result of the systematic introduction and improvement of food safety assurance systems. The present paper discusses tools of predictive microbiology, i.e. software packages included in ComBase (www.combase.cc). These tools allow for quantitative assessment of microbiological hazard, like the presence of food borne pathogens in dairy products. The example of predicting the growth of bacteria from the species of Yersinia enterocolitica in cottage cheese during a few stages of production is presented. Tools in the form of software packages predicting the growth of microorganisms enable supporting the food safety assurance systems at every stage of production.

Medycyna Wet. 2009, 65 (6) 382

dukcji (6, 9, 22, 25). Wykorzystanie matematycznych modeli prognostycznych w systemach zarz¹dzania bez-pieczeñstwem ¿ywnoœci (np. HACCP) jest jak najbardziej uzasadnione (1). Modele prognostyczne mog¹ mieæ istot-ne zastosowanie podczas wdra¿ania systemu HACCP na co najmniej 3 etapach: przeprowadzenia analizy zagro-¿eñ i okreœlenia œrodków kontrolnych, ustalenia pozio-mów docelowych i limitów krytycznych dla ka¿dego kry-tycznego punktu kontrolnego oraz podczas ustalania pro-cedur weryfikacji. Dotychczasowe dzia³ania w zakresie zapewniania bezpieczeñstwa ¿ywnoœci nie odnosz¹ siê do kwestii zdrowia publicznego. System HACCP koncen-truje siê na zagro¿eniach i warunkach, które mog¹ spo-wodowaæ zagro¿enia w czasie realizacji procesu tech-nologicznego i w konsekwencji mog¹ wyst¹piæ w goto-wym produkcie. Brakuje powi¹zania miêdzy dzia³aniami podejmowanymi przez przedsiêbiorstwa, zajmuj¹ce siê produkcj¹ i obrotem ¿ywnoœci¹, a odpowiednim pozio-mem ochrony zdrowia ludzi. Dlatego te¿ w ostatnich la-tach wzros³o zainteresowanie narzêdziami, które mog¹ po-³¹czyæ wymagania w zakresie zapewnienia bezpieczeñ-stwa ¿ywnoœci z jego oczekiwanym wp³ywem na zdro-wie publiczne. Punktem wyjœcia tej koncepcji jest zapew-nienie odpowiedniego poziomu ochrony zdrowia ludzi wraz z ustanowieniem celów bezpieczeñstwa ¿ywnoœci, odnosz¹cych siê do rodzaju ¿ywnoœci, rodzaju zagro¿eñ oraz czêstotliwoœci ich wystêpowania lub maksymalnej dopuszczalnej wielkoœci zagro¿enia w gotowym przezna-czonym do konsumpcji produkcie. Ten przyk³ad nie wy-czerpuje mo¿liwoœci aplikacyjnych mikrobiologii prog-nostycznej w systemach zarz¹dzania bezpieczeñstwem ¿ywnoœci. Warto równie¿ nadmieniæ, ¿e FAO/WHO w 2002 r. podjê³y decyzjê o w³¹czeniu zasad mikrobiolo-gicznego zarz¹dzania ryzykiem w rozwój standardów bezpieczeñstwa ¿ywnoœci. Oznacza to, ¿e wymagania ustawodawcze winny byæ uzasadnione na podstawie udokumentowanej analizy ryzyka i odnosiæ siê do odpo-wiedniego poziomu ochrony ustalonego przez WTO. Iloœ-ciowa analiza ryzyka powinna byæ podstaw¹ rozstrzyga-nia sporów w kwestiach dotycz¹cych zagro¿eñ mikrobio-logicznych w produkowanej ¿ywnoœci, skutków w przy-padku zatruæ pokarmowych oraz umo¿liwiaæ znalezienie i ustalenie przyczyn zaistnia³ych sytuacji. Analiza iloœcio-wa to równie¿ jedno z mo¿liwych do wykorzystania za-stosowañ mikrobiologii prognostycznej (11, 19, 22).

Bazy danych i modele

Rozwój technik komputerowych i internetu sprzyja powstawaniu baz danych dotycz¹cych zachowania siê g³ównych patogenów oraz drobnoustrojów odpowiedzial-nych za rozk³ad ¿ywnoœci. Coraz wiêksza liczba daodpowiedzial-nych eksperymentalnych wykonanych na produktach modelo-wych z u¿yciem programów komputeromodelo-wych (tzw. mo-deli trzeciorzêdowych) stanowi Ÿród³o cennych informa-cji dla osób zajmuj¹cych siê analiz¹ ryzyka mikrobiolo-gicznego na ka¿dym etapie ³añcucha ¿ywnoœciowego. Analiza ryzyka to trzyczêœciowy, œciœle ze sob¹ powi¹za-ny proces ocepowi¹za-ny ryzyka, zarz¹dzania ryzykiem i informo-wania o ryzyku (3). Do znanych i czêsto stosowanych programów prognozuj¹cych zachowanie siê niepo¿¹da-nych drobnoustrojów w symulowaniepo¿¹da-nych warunkach

ma-j¹cych zastosowanie w analizie ryzyka mikrobiologicz-nego nale¿y Pathogen Modeling Program 7.0 (PMP 7.0) dostêpny pod adresem internetowym Departamentu Rol-nictwa Stanów Zjednoczonych (USDA – United States Department of Agriculture) – www.arserrc.gov/mfs/ PATHOGEN.HTM. Pakiet ten jest wersj¹ niekomercyj-n¹, od 17 lat systematycznie rozbudowywan¹ i zawiera-j¹c¹ ponad 35 modeli dla 11 rodzajów bakterii patogen-nych. Oprogramowanie pozwala przewidywaæ wzrost lub inaktywacjê drobnoustrojów przy ustalonej temperaturze, pH, NaCl/a_w, zawartoœci kwasów organicznych, sk³adzie atmosfery oraz azotynów w zmodyfikowanych po¿yw-kach mikrobiologicznych (15, 20). Kolejnym przyk³adem programu do prognozowania wzrostu drobnoustrojów jest Growth Predictor (GP) dostêpny w witrynie interneto-wej Instytutu Badañ ¯ywnoœci (IFR – Institute of Food Research) – www.ifr.ac.uk/Safety/GrowthPredictor/. Za-wiera on 18 modeli wzrostu bakterii patogennych. W wy-niku wspó³pracy miêdzynarodowej pomiêdzy Agencj¹ Standaryzacji ¯ywnoœci (FSA – Food Standards Agen-cy), IFR, USDA oraz Australijskim Centrum Doskona-³oœci Bezpieczeñstwa ¯ywnoœci (Australian Food Safety Centre of Excellence) powsta³a bezp³atna komputerowa baza danych ComBase (Common dataBase), dostêpna „online” w internecie po uprzedniej rejestracji na stronie www.combase.cc. Inicjatywa powstania ComBase jako Ÿród³a wiedzy u³atwiaj¹cej wspó³pracê miêdzynarodow¹ w sferze nauki dotycz¹cej bezpieczeñstwa mikrobiologicz-nego produkowanej ¿ywnoœci otrzyma³a poparcie Komi-sji Europejskiej. W bazie danych ComBase znajduj¹ siê 3 u¿yteczne narzêdzia – Combase Browser, Combase Pre-dictor oraz Combase DMFit. Witryna Combase Browser umo¿liwia u¿ytkownikowi wyszukanie dostêpnych w ba-zie wyników badañ, po wczeœniejszym zawê¿eniu wy-szukiwania do okreœlonego mikroorganizmu oraz warun-ków œrodowiska (np. temperatura, pH, aktywnoœæ wody i in.) (21). Baza danych ComBase stanowi cenne Ÿród³o wiedzy na temat bezpieczeñstwa mikrobiologicznego ¿yw-noœci, zawiera ju¿ ponad 40 000 rekordów (tj. obserwacji opisuj¹cych reakcje bakterii na okreœlone œrodowisko) i jest systematycznie rozbudowywana. ComBase Predic-tor jest narzêdziem s³u¿¹cym prognozowaniu wzrostu naj-wa¿niejszych patogenów ¿ywnoœci z uwzglêdnieniem ta-kich czynników œrodowiska, jak: temperatura, pH i za-wartoœæ NaCl (18, 23). ComBase Predictor mo¿e byæ u¿yteczny jako narzêdzie zapewniania bezpieczeñstwa ¿ywnoœci, podczas opracowywania nowych technologii, w szkoleniach, badaniach naukowych, w oszacowywaniu ryzyka mikrobiologicznego, jak równie¿ podczas tworze-nia przewodników i norm. Trzecim narzêdziem wbudo-wanym w bazê danych ComBase jest ComBase DMFit. Jest to program pozwalaj¹cy analizowaæ wzrost drobno-ustrojów na podstawie modelu Baranyi i Robertsa (7).

1 æ e–vt _{+ q} 0 ö

A(t) = t + lnç

_{v è 1 + q}

÷

ø

1 æ emµmax A(t) – 1 ö

y(t) = y

+ µ

At – lnç 1 +

m è

e

÷

_ø

gdzie:

Medycyna Wet. 2009, 65 (6) 383 y₀ = ln x_o; x₀ – pocz¹tkowa liczba komórek bakterii,

v – tempo powstawania limituj¹cego substratu, » µ_max, t – czas (h),

m – parametr charakteryzuj¹cy przejœcie do fazy sta-cjonarnej,

q₀ – koncentracja limituj¹cego substratu zmieniaj¹ca siê w czasie.

Dziêki zastosowaniu ComBase DMFit otrzymuje siê g³ówne parametry charakteryzuj¹ce wzrost drobnoustro-jów, czyli wspó³czynnik tempa wzrostu (µ_max) i czas trwa-nia fazy spoczynkowej (lag fazy).

Zastosowanie mikrobiologii prognostycznej

Mikrobiologia prognostyczna z wykorzystaniem miê-dzynarodowej bazy danych i dostêpnych programów kom-puterowych mo¿e mieæ wszechstronne zastosowanie w:

– systemach eksperckich do okreœlania charakterysty-ki mikrobiologicznej, sk³adu ¿ywnoœci oraz identyfikacji problemów, które mog¹ wyst¹piæ w warunkach produk-cyjnych,

– systemie HACCP, do szacowania ryzyka oraz w ana-lizie zagro¿eñ przy u¿yciu „drzewka decyzyjnego”,

– szybkim rozpowszechnianiu informacji dotycz¹cych wybuchów epidemii poprzez stronê internetow¹ oraz pu-blikowanie pochodz¹cych z wielu Ÿróde³ komentarzy do-tycz¹cych konsekwencji i incydentów zwi¹zanych z cho-robami od¿ywnoœciowymi,

– zabezpieczeniu wysokiej jakoœci mikrobiologicznej, – edukacji (online) personelu w zak³adach produkuj¹-cych ¿ywnoœæ (10, 21).

Przyk³adem wykorzystania bazy danych ComBase wraz z zawartym w niej oprogramowaniem do prognozowania mikrobiologicznego mo¿e byæ kilka elementów ³añcucha produkcji serka twarogowego, niedojrzewaj¹cego, ziar-nistego (typu cottage cheese) i nat³uszczonego œmietan-k¹. Z danych piœmiennictwa wynika, ¿e obecnoœæ mikro-organizmów chorobotwórczych w tego typu serkach po-chodzi z zanieczyszczeñ wtórnych, których g³ównym Ÿród³em jest personel, niska higiena produkcji oraz b³êdy technologiczne (8, 26). Du¿e zagro¿enie w produkcji i dys-trybucji cottage cheese mo¿e stanowiæ tlenowa Gram--ujemna pa³eczka Yersinia enterocolitica (8, 26). Do osza-cowania wzrostu lub inaktywacji tej bakterii w wybra-nym odcinku ³añcucha produkcji zastosowano program ComBase Predictor. W programie konieczne jest wsta-wienie danych dotycz¹cych g³ównych parametrów fizy-kochemicznych produktu i procesów podczas produkcji. S¹ to niezbêdne informacje do przeprowadzenia symu-lacji wzrostu bakterii patogennych podczas etapów pro-dukcji cottage cheese. W tym celu okreœlono temperaturê i czas trwania analizowanych etapów produkcji oraz pH, zawartoœæ NaCl i kwasu mlekowego (0,77% = 7700 ppm – jednostka [ppm] jest wymagana w programie) (24). Za poziom pocz¹tkowy liczby Y. enterocolitica przyjêto 2 log jtk/g produktu. Poziom wyjœciowy zanieczyszczenia bak-teri¹ Y. enterocolitica poprzedzaj¹cego procesu by³ po-ziomem wejœciowym (pocz¹tkowym) kolejnego. W za-prezentowanym przyk³adowym opracowaniu rozpatrywa-no nastêpuj¹ce etapy produkcji: 1) koagulacja mleka pas-teryzowanego (czas koagulacji: 5 h, temperatura: 32°C, pH skrzepu: 4,6), 2) krojenie i dogrzewanie skrzepu (czas

procesu: 3 h, temperatura: 52°C, pH: 4,6), 3) odwadnia-nie, ch³odzeodwadnia-nie, dodatek soli kuchennej, nat³uszczanie œmietank¹ i pakowanie (czas procesu: 8 h, temperatura: 5°C, pH: 5,1, kwas mlekowy: 7700 ppm, NaCl: 0,5%) oraz 4) magazynowanie i dystrybucja (czas: 504 h, temp. 6°C, pH: 5,1, kwas mlekowy: 7700 ppm, NaCl: 0,5%) (24). Program ComBase Predictor uwzglêdnia równie¿ dane dotycz¹ce stanu fizjologicznego (SF) bakterii, czyli sposobu, w jaki badany drobnoustrój reaguje na zmiany aktualnego œrodowiska, np. stres zwi¹zany ze zmian¹ tem-peratury, pH czy ciœnienia osmotycznego (wartoœæ SF = 0 – brak wzrostu, SF = 1 – rozwój optymalny). W opraco-waniu zastosowano opcjê domyœlnego wyboru wartoœci SF, sugerowanej przez program. Po etapie koagulacji mle-ka na podstawie modelu wzrostu zawartego w programie ComBase Predictor nast¹pi³ nieznaczny wzrost liczby komórek Yersinia do poziomu 2,75 log jtk/g (ryc. 1). Ko-lejny proces, którym jest krojenie i dogrzewanie, elimi-nuje analizowany gatunek bakterii w czasie 0,3 h (ryc. 2). W tym momencie produkt nale¿y uznaæ za bezpieczny, lecz w przypadku, gdy dojdzie do wtórnego

zanieczysz-Ryc. 1. Prognoza zmiany liczby komórek Y. enterocolitica wg programu ComBase Predictor podczas pierwszego etapu pro-dukcji serka cottage cheese

Ryc. 2. Prognoza zmiany liczby komórek Y. enterocolitica wg programu ComBase Predictor podczas drugiego etapu pro-dukcji serka cottage cheese

Medycyna Wet. 2009, 65 (6) 384

czenia (na poziomie 2,0 log jtk/g) wzrost liczby komórek Yersinia bêdzie nieunikniony. Rozpatruj¹c czas i warunki odwadniania, ch³odzenia, dodatku NaCl oraz nat³uszcza-nia i pakowanat³uszcza-nia serka zaprognozowano nieznaczny wzrost liczby komórek Y. enterocolitica, których poziom 2,03 log jtk/g utrzymywa³ siê do etapu magazynowania i dystry-bucji (ryc. 3). Przy zachowanej ci¹g³oœci ³añcucha ch³od-niczego i za³o¿eniu dwudziestojednodniowego terminu przydatnoœci do spo¿ycia nast¹pi³, wg prognozy ComBase Predictor, wzrost liczby komórek Y. enterocolitica do log 8,30 jtk/g produktu (ryc. 4). Minimalna dawka infekcyj-na w przypadku tej bakterii wynosi ok. log 8-9 jtk/g, tak wiêc wyprodukowany serek stwarza potencjalne zagro-¿enie dla zdrowia cz³owieka.

Podsumowanie

Przytoczony w artykule hipotetyczny przyk³ad oszaco-wania zagro¿enia wzrostu bakterii Y. enterocolitica s³u¿y jedynie przedstawieniu jednej z mo¿liwoœci prognostycz-nych zastosowañ oprogramowañ komputerowych. Dziê-ki nim mo¿na oszacowaæ ryzyko mikrobiologiczne dla

ca³ego ³añcucha ¿ywnoœciowego pocz¹wszy od produk-cji mleka, a na konsumpproduk-cji produktów mleczarskich koñ-cz¹c. W zaprezentowanym przyk³adzie nie uwzglêdnio-no interakcji wymienionego patogenu z drobuwzglêdnio-noustrojami wystêpuj¹cymi w produkcji serka cottage cheese (np. hamuj¹cego wp³ywu bakterii fermentacji mlekowej). Dla-tego nale¿y za³o¿yæ maksymalny wzrost bakterii, a przez to uzyskaæ najbardziej bezpieczn¹ prognozê.

Piœmiennictwo

1.Anon.: CAC/RCP: Recommended International Code of Practice. General Prin-ciples of Food Hygiene. Annex on Hazard Analysis and Critical Control Point System and Guidelines for Its Application. CAC/RCP 2003, 1-1969, Rev. 4. 2.Anon.: PN-EN ISO 22000: 2006: Systemy zarz¹dzania bezpieczeñstwem

¿ywnoœci – Wymagania dla ka¿dej organizacji nale¿¹cej do ³añcucha ¿ywnoœ-ciowego.

3.Anon.: Rozporz¹dzenie (WE) nr 178/2002 Parlamentu Europejskiego i Rady z dnia 28 stycznia 2002 r. ustanawiaj¹ce ogólne zasady i wymagania prawa ¿ywnoœciowego, powo³uj¹ce Europejski Urz¹d ds. Bezpieczeñstwa ¯ywnoœci oraz ustanawiaj¹ce procedury w zakresie bezpieczeñstwa ¿ywnoœci. 4.Anon.: Ustawa o bezpieczeñstwie ¿ywnoœci i ¿ywienia z dnia 25 sierpnia 2006 r.,

Dz. U. 2006 r. nr 171, poz. 1225.

5.Anon.: Ustawa o warunkach zdrowotnych ¿ywnoœci i ¿ywienia z 11 maja 2001 r., Dz. U. 2001 r. nr 63, poz. 634.

6.Baranyi J., Pin C., Ross T.: Validating and comparing predictive models. Int J. Food Microbiol. 1999, 48, 159-166.

7.Baranyi J., Roberts T. A.: Mathematics of predictive food microbiology. Int J. Food Microbiol. 1995, 26, 199-218.

8.Bozkurt H., Erkmen O.: Predictive modeling of Yersinia enterocolitica inacti-vation in Turkish Feta cheese during storage. J. Food Eng. 2001, 47, 81-87. 9.Giffel M. C., Zwietering M. H.: Validation of predictive models describing the

growth of Listeria monocytogenes. Int. J. Food Microbiol. 1999, 46, 135-149. 10.Godlewska K., Ko³o¿yn-Krajewska D.: Prognozowanie mikrobiologiczne

w ³añ-cuchu ¿ywnoœciowym. Przemys³ Spo¿. 2008, 2, 16-19.

11.Gorris L. G. M.: Food safety objective: An integral part of food chain manage-ment. Food Control 2005, 16, 801-809.

12.Hadryjañska B., Górna J.: System zarz¹dzania jakoœci¹ wg normy ISO 9001:2000 oraz system HACCP. Przegl. Mlecz. 2008, 4, 4-10.

13.Kajak K.: Zasady prognozowania w mikrobiologii ¿ywnoœci. ¯ywnoœæ Nauka Technologia Jakoœæ 2001, (27), 81-93.

14.Ko³o¿yn-Krajewska D., Ja³osiñska-Pieñkowska M.: Prognozowanie mikrobio-logiczne jako narzêdzie kszta³towania bezpieczeñstwa ¿ywnoœci. Przemys³ Spo¿. 2003, 2, 32-34, 48.

15.Kowalik J., Ziajka S.: Ocena wzrostu Listeria monocytogenes w mleku na pod-stawie programu PMP 7.0 oraz badañ w³asnych. Medycyna Wet. 2005, 61, 940-942.

16.£obacz A., Kowalik J., Ziajka S., Kopeæ M.: Porównanie i walidacja prognozo-wanego i obserwoprognozo-wanego tempa wzrostu Listeria monocytogenes w mleku pasteryzowanym i UHT. Medycyna Wet. 2008, 64, 80-84.

17.£obacz A., Ziajka S., Kowalik J.: Predictive microbiology – tool for quantitative microbiological risk assessment. Pol. J. Food Nutr. Sci. 2007, 57, 365-370. 18.Marc Y. Le, Pin C., Baranyi J.: Methods to determine the growth domain in

a multidimensional environmental space. Int. J. Food Microbiol. 2005, 100, 3-12.

19.Mayes T.: Risk analysis in HACCP: burden or benefit? Food Control 1998, 9, 171-176.

20.McKellar R. C., Lu X. W.: Modeling microbial responses in foods. CRC Press LLC, Florida 2004.

21.McMeekin T. A., Baranyi J., Bowman J., Dalgaard P., Kirk M., Ross T., Schmid S., Zwietering M. H.: Information systems in food safety management, Int. J. Food Microbiol. 2006, 112, 181-194.

22.McMeekin T. A., Ross T.: Predictive microbiology: providing a knowledge--based framework for change management. Int. J. Food Microbiol. 2002, 78, 133-153.

23.Roupas P.: Predictive modeling of dairy manufacturing processes. Int. Dairy Journal 2008, 18, 741-753.

24.Rymaszewski J., Œmietana Z.: Sery dojrzewaj¹ce i sery twarogowe, [w:] Ziaj-ka S. (red.): Mleczarstwo T. 2. Wyd. ART, Olsztyn 1997.

25.Scott V. N.: How does industry validate elements of HACCP plans? Food Control 2005, 16, 497-503.

26.Usajewicz I.: Mikrobiologia mleka i jego przetworów, [w:] Ziajka S. (red.): Mleczarstwo T. 1. Wyd. UWM, Olsztyn 2008.

Adres autora: dr in¿. Jaros³aw Kowalik, ul. Oczapowskiego 7, 10-719 Olsztyn; e-mail: j.kowalik @uwm.edu.pl

Ryc. 4. Prognoza zmiany liczby komórek Y. enterocolitica wg programu ComBase Predictor podczas magazynowania i dys-trybucji serka cottage cheese

Ryc. 3. Prognoza zmiany liczby komórek Y. enterocolitica wg programu ComBase Predictor podczas trzeciego etapu pro-dukcji serka cottage cheese